松弛——把逻辑软化为优化

父节点：logic

经典逻辑是非黑即白的：一个公式要么真要么假，一个问题要么可判定要么不可判定，一个约束要么被满足要么被违反。工程学没法活在这种世界里——"这个控制器稳定吗"，回答是不可判定，对谁都没用。松弛（Relaxation）是把一个硬性/二元/精确的逻辑概念，系统性地软化为分级/近似/连续的概念这一动作。沿着这些松弛走下去，正是你走出逻辑、走入optimization的方式——在那里一切都是待改进的数值，而不是待满足的谓词。

各个维度（每个维度是一个子节点）

• relaxing-undecidability ——软化可判定性：δ-可判定、单边证书、有界视界、泛型情形（我们究竟能不能判定它？）。
• hard-to-soft-constraints ——软化满足性：一个硬约束（SAT / CSP）变成一个待最小化的代价（MaxSAT、惩罚项）——从找到任意一个解变为找到最好的解。这是通往优化的门。
• continuous-relaxation ——软化定义域：把离散的 {0,1} 松弛为连续的 [0,1]，求解更容易的连续问题，再舍入回去（LP / SDP 松弛）。
• （待补充的其他维度：精确 → ε-近似；二元真值 → 分级/模糊/概率化真值。）

为什么这是通往优化的桥梁

逻辑问的是"存在解吗？"——一个是/否的谓词。优化问的是"最好的解是什么，我们能有多接近？"——一个实值的目标函数加上容差。每一次松弛，都是把一个谓词换成一个数量：

逻辑（硬）	松弛（软）
满足 / 违反	违反的数量（代价）
可判定 / 不可判定	精确到 δ 可判定
精确	ε-接近
真 / 假	真值的程度 [0,1]
x ∈ {0,1}	x ∈ [0,1]

一旦答案变成一个待改进的数量，而不是一个待决定的比特，搜索/梯度/对偶方法就都能用上了——你已经是在做优化了。

北极星——每一次软化都是"精确到 δ"，且 δ = P×C

松弛不是放任自流的许可证。把一堵硬墙毫无边界地软化，过程就会永远漫游下去（drift-is-world-wandering）——你只是把"不可判定"换成了"反正会发散"。所以每个维度都带着一个"精确到 δ"的容差，而在recursive-harness中，这个 δ 被实现为P×C：你花掉的预算，就是你买到的容差。更紧的 δ（或更高的置信度 1−α）需要花更多的 P×C。

软化把一堵硬的逻辑墙，换成了一堵软的预算墙——P×C 就是那堵墙。

在gate-theory中，针对检查点把这一点具体推演过——那里容差变成一个邻域，偏差变成一个可观测的 δ。

汇率——一位精度的容差要花多少钱

"精确到 δ"总是要用预算（样本、迭代次数、算力）付钱，而价目表取决于你手上有什么结构。每个领域的核心定理，正是这张价目表上的一个条目。

结构	容差的价格	证明出处
压缩 k < 1（已验证的循环）	O(log(1/δ)) 步——每多一位精度只花常数代价	inexact-contraction
强凸 + 光滑优化	O(log(1/δ)) 次迭代	梯度下降
仅凸、光滑	O(1/δ) 次迭代	一阶方法
非光滑或随机梯度	O(1/δ²)	SGD 分析
统计估计（agnostic PAC）	m = Θ((d + log(1/α))/δ²) 个样本	fundamental-theorem
用抽样验证一个概率性论断	O((1/δ²)·log(1/α)) 个样本	Chernoff 界
完全没有结构（盲目搜索）	指数级	天下没有免费的午餐

结构，正是让容差变得可负担的东西——在压缩条件下，每多一位精度只花常数代价（对数级）；在 1/δ² 条件下，则要花 100 倍；压缩是黄金标准，这也是 harness 把一切都投入到让自己的循环具备压缩性的原因；在 harness 中，这张表就是 P×C 要照单付款的价目表。

天下没有免费的午餐

松弛转移了难度，而不是取消了它：δ-可判定性依然保留着一条不可判定的精确边界；LP 松弛有整数性缺口（integrality gap）；MaxSAT 依然是 NP-难的。你用一点点精确性/完备性，换来了可处理性与连续性。